2. 避障决策与局部规划的核心概念体系

无人系统要在复杂环境中安全到达目标，必须同时回答两个层次的问题：“整体上怎么走”与“眼前这一步怎么躲”。前者由全局规划负责，后者由局部规划负责。理解二者的分工，以及支撑它们的概念体系——反应式与 deliberative 决策、障碍物表示、自由空间、配置空间、碰撞检测与安全距离——是学习避障决策的起点。

一、全局规划与局部规划的分工

全局规划在已知或先验地图上进行，输入是起点、目标点与环境地图，输出是一条从起点到目标的路径或轨迹。它关注的是“可达性”与“整体最优性”，例如路径最短、能耗最低或远离危险区域。全局规划通常离线或低频执行，一旦环境发生较大变化才重新计算。

局部规划在全局路径的引导下，结合实时传感器数据，在每个控制周期内生成短时、可执行的局部轨迹或速度指令。它关注的是“实时避障”与“动态可行性”，例如遇到突然出现的行人、移动的车辆或临时障碍时，如何在不偏离全局路径太远的前提下安全绕行。局部规划频率高，通常为 10～50 Hz。

二者是引导与修正的关系：全局路径提供方向性参考，局部规划负责在动态环境中落地执行。若局部规划长期无法回到全局路径，往往需要触发全局重规划。

二、反应式与 deliberative 决策

从决策方式看，避障可分为两类。反应式决策直接根据当前传感器信息产生动作，如势场法、向量场直方图、动态窗口法，特点是响应快、计算轻，但容易陷入局部极小或产生震荡。deliberative 决策则基于模型进行推理与搜索，如 A*、RRT、模型预测控制，特点是考虑长远、能处理复杂约束，但计算量大、对模型依赖强。

实际系统多采用分层混合结构：上层用 deliberative 方法生成全局路径或行为决策，下层用反应式方法做实时避障与速度调整。这样既保证全局合理性，又保证局部安全性。

三、障碍物表示与自由空间

要让算法“看见”障碍，必须先把环境转化为可计算的形式。常见的障碍物表示包括：

• 栅格地图：将空间离散为网格，每个格子标记为占据、空闲或未知，适合 A*、D* 等搜索算法。
• 几何表示：用多边形、圆、圆柱等描述障碍边界，适合连续空间中的碰撞检测。
• 点云/体素：直接使用激光雷达或深度相机的三维点云，或将其体素化，适合三维避障。
• 代价地图：在栅格基础上叠加膨胀层与代价，使路径远离障碍，常用于 ROS 导航栈。

与障碍物相对的是自由空间，即无人系统可以安全通行的区域。自由空间是规划算法的搜索域，其边界由障碍物膨胀后的安全边界决定。自由空间越大，可行路径越多；但若膨胀过度，狭窄通道可能被完全封闭，导致无解。

四、配置空间与碰撞检测

对于具有姿态的无人系统，仅用二维位置描述不够，需要引入配置空间（C-space）。配置空间把系统的位姿（如 x、y、yaw）映射为一个点，障碍物在配置空间中对应为配置空间障碍。这样，运动规划就转化为在配置空间中寻找从起点到目标点的无碰撞路径。

碰撞检测是判断某个配置是否与障碍物相交的过程。常用方法包括包围盒层次树、分离轴定理、GJK 算法等。碰撞检测的精度与效率直接影响规划速度。工程上常采用“粗检测 + 精检测”两级策略：先用包围盒快速排除，再用精确几何判断。

五、安全距离与膨胀

安全距离是无人系统与障碍物之间必须保持的最小间隔，用于吸收定位误差、控制误差与传感器噪声。工程上通常将障碍物按安全距离向外膨胀，形成膨胀障碍，规划时把无人系统视为质点，从而简化碰撞检测。

安全距离的取值需权衡：过小则风险高，过大则可行空间被压缩。例如室内移动机器人常用 0.2～0.5 m，室外低速无人车常用 0.5～1.0 m，高速场景需更大。膨胀半径还应考虑系统最大速度与制动距离。

六、工程示例：安全距离与膨胀参数

假设一台室内移动机器人，最大速度 1.0 m/s，定位误差约 ±0.05 m，控制周期 50 ms。取安全距离 d_safe = 0.3 m，则障碍物膨胀半径 r_inflate = d_safe + r_robot。若机器人半径 0.25 m，则膨胀半径约 0.55 m。在 0.05 m 分辨率的栅格地图上，膨胀层约为 11 个栅格。若某通道宽度小于 1.1 m，膨胀后可能被封闭，此时需要减小安全距离或改用更精细的局部避障策略。

七、概念之间的整体关系

可以把整个体系理解为一条从环境到动作的链条：环境经障碍物表示与自由空间建模，进入配置空间；碰撞检测与安全距离约束可行域；全局规划在可行域中搜索全局路径；局部规划在全局路径引导下，结合反应式或 deliberative 决策，输出实时速度指令。任一环节的参数变化都会影响最终避障效果，因此调参时应从安全距离、膨胀半径、规划频率三个最敏感的变量入手。